SCOUT-SLAM: Structurally-Coupled Dual Uncertainty-Aware 3DGS SLAM in the Wild
Kumaran Karthik, Pramat Shastri Jois, Suresh Sundaram
cs.CV
2026-09-14
印度科学理工学院提出SCOUT-SLAM：追踪不确定性改从多视角特征一致性估计，不再绑死当前建图质量，TUM动态序列平均ATE 1.42厘米，优于WildGS-SLAM的1.51厘米。
动态场景里的 3DGS-SLAM（边追踪相机、边用三维高斯重建可渲染地图）现在流行用不确定性把行人和移动物体从地图里抠掉。WildGS-SLAM 这类做法把不确定性从当前重建的渲染残差里学出来：渲染对不上输入，像素就被标成动态。追踪再拿这份掩码去加权位姿优化。
坏处是追踪和建图绑成一个环。相机一抖、前景一挤，高斯还没稳住，残差到处都大，静态墙面也被抬成高不确定。追踪跟着用这份坏掩码，位姿更差，地图更糊，不确定性再被学坏。语义分割那一路能避开这个环，但闭集类别在野外不够用。
印度科学理工学院的 SCOUT-SLAM 把两路不确定性接到同一套底网上，训练信号拆开。
底网叫 Mapping Uncertainty Network（MUNet），两层 MLP，隐层 64 维，吃冻结的 DINOv2 特征（自监督视觉 Transformer 的每像素表征），输出每像素建图不确定性。追踪侧不另起网络，而是在 MUNet 上挂 Low-Rank Adaptation（只训一对低秩矩阵，默认秩 8，大约 5.1k 参数），叫 Tracking Uncertainty Adapter（TUA）。每个 Bundle Adjustment 迭代只更新这些低秩矩阵。损失是 Multi-view Feature Consistency：把当前帧 DINOv2 特征按刚体几何 warp 到邻帧，余弦不一致就当动态。这个量在观测之间直接算，不经过当前高斯渲染，所以追踪不确定性不再只取决于此刻的建图质量。
TUA 输出转成置信度 \(w=\mathrm{clamp}(1/u{\mathrm{track}}^2,\epsilon,1)\)，去加权稠密 BA 的光流残差。动态像素协方差被放大，对位姿的拉力变小。建图侧用空间自适应先验：追踪置信度高的像素，不允许把不确定性随便抬高；残差如果只是噪声或闪烁，门控再把惩罚松回去，避免高斯去拟合传感器噪声。高斯的渲染损失除以脱离梯度的建图不确定性平方，只优化静态区域。深度先验来自 Metric3D v2。系统在 15 关键帧预热窗上先训 1050 步 MUNet，再回头用 TUA 掩码重优化初始图。
低秩瓶颈是有意的。局部 BA 窗口里运动维度不高，全量 MLP 容易过拟合短暂对齐；从已有场景表征适配，动态物体进画面后，不确定性收敛也比 DROID-W 从零学一层仿射要快。
三个动态基准，ATE RMSE 越低越好。输入视角合成用 SAM3 抠掉动态物体后算 PSNR。
| 方法 | TUM (cm) | Bonn (cm) | MoCap (cm) | TUM PSNR |
| SCOUT-SLAM | 1.42 | 2.29 | 0.47 | 19.34 |
| WildGS-SLAM | 1.51 | 2.47 | 0.46 | 18.91 |
| DROID-W | 1.52 | 2.32 | 0.65 | 未报 |
TUM 上最大增益在 walking 序列，fr3/wr 为 2.91 cm，对照 WildGS-SLAM 的 3.15 cm。Bonn 的 balloon、crowd2 这类快速前景上差距最大。MoCap 平均 0.47 cm，略差于 WildGS-SLAM 的 0.46 cm。消融里，同等参数量的独立 MLP 在 Bonn 上 ATE 5.36 cm，TUA 秩 8 是 2.29 cm；去掉空间自适应先验，TUM ATE 从 1.42 升到 1.45 cm，PSNR 从 19.34 降到 19.20 dB。
对要在有行人的室内跑单目 3DGS-SLAM 的人，这是 WildGS-SLAM 的一次结构修补：追踪不确定性改走观测间的特征一致性，建图不确定性仍走渲染残差，但用追踪置信度把静态区域按住。增益是毫米到亚厘米，三个基准上方向一致。代码已开源。别指望它替代语义分割或处理所有慢速贴边运动。
论文没有单独的 Limitations 节。MoCap 的 tabletracking 序列慢速前景贴着画面边缘，MFC 信号含糊，SCOUT 在这两条上不如 WildGS-SLAM。输入视角 PSNR 用 SAM3 抠动态，只量静态像素，不能直接当成新视角合成分数。主文没报帧率。相对 WildGS-SLAM 的提升很小，SOTA 更多是在同一套动态基准上把环拆开后的稳定改进。